1. 增加并行度。 確保使用整個集群的資源，而不是把任務集中在幾個特定的節點上。對于包含 shuffle 的操作，增加其并行度以確保更為充分地使用集群資源。 2. 減少數據序列化，反序列化的負擔。 Spark Streaming 默認將接受到的數據序列化后存儲，以減少內存的使用。但是序列化和反序列話需要更多的 CPU 時間，因此更加高效的序列化方式（Kryo）和自定義的系列化接口可以更高效地使用 CPU。 3. 設置合理的 batch duration（批處理時間）。 在 Spark Streaming 中，Job 之間有可能存在依賴關系，后面的 Job 必須確保前面的作業執行結束后才能提交。若前面的 Job 執行的時間超出了批處理時間間隔，那么后面的 Job 就無法按時提交，這樣就會進一步拖延接下來的 Job，造成后續 Job 的阻塞。因此設置一個合理的批處理間隔以確保作業能夠在這個批處理間隔內結束時必須的。 4. 減少因任務提交和分發所帶來的負擔。 通常情況下，Akka 框架能夠高效地確保任務及時分發，但是當批處理間隔非常小（500ms）時，提交和分發任務的延遲就變得不可接受了。使用 Standalone和 Coarse-grained Mesos 模式通常會比使用 Fine-grained Mesos 模式有更小的延遲。